论文学习——A graph model-based multiscale feature fitting method forunsupervised anomaly detection

背景：

在传统的异常检测与定位的方法下，存在一系列问题：比如异常区域可能很小也可能很大，异常的尺寸不定难以预测。

这种往往采用将在不同深度提取的特征统一起来的做法。

传统仅仅采用图的重构误差的做法也不再适用

问题一：当网络过强时，可能异常区域的重构与原图差异不大

问题二：它们无法重建以前从未见过的图像模式。

可以分为五个部分：

第一，采用预训练好了的模型进行特征提取

为了兼顾语义异常和像素异常，将在不同深度提取的特征统一起来。

第二部分，划分集合

训练集都是正常的，称为Gallery set

测试集称为Query set

第三部分，重构子图

这和传统的重构图是截然不同的。

在Query set中有某一节点A,A的特征向量是,在Gallery中找和A特征最接近的k个点，knn临近法

第四部分，计算是异常的可能性

然后将这k个点的特征混合在一起，得到一个新的特征向量

检测异常的原理就是， 和的差异越大，是异常的可能性就越大

这一部分，我尝试从聚类的角度来理解。

 假设，训练集都是正常图，我们将从中提取的特征画在一个n维图上，如上所示。

举例子，狗图片像素点特征汇聚在一起，用绿色标注；猫图片像素点特征汇聚在一起，用红色标注，老虎图片像素点特征汇聚在一起，用蓝色标注。

在进行异常检测时重构图模型时：

第一步，在Query set(测试集)中有某一节点A,A的特征向量是,在Gallery(训练集)中找和A特征最接近的k个点。

当k个点涵盖多个颜色时，意味着这点大概率异常，因此不讨论。

当k个点只有一个颜色时，例如红色，表示该节点应该是属于猫图片的，将问题广度缩小到猫这一具体类型上。

第二步，然后将这k个点的特征混合在一起，得到一个新的特征向量 ，节点A特征与的差异越大，A异常的可能性就越大。

类比聚类算法，节点A特征与的差异越大，这表明节点A离这个聚类中心就越远（在刚才提到的例子中就是，节点A离猫图片类的距离越远），于是A是异常点的概率越大。

 第五部分，加权多尺度异常图匹配

 关于某一个像素点是不是异常，有一个阈值τ1，关于整幅图像是不是异常，有一个阈值τ2，这两个阈值都是动态变化的，根据FPR的值不断调整。

至于权重是根据不同层次下分割的结果决定 的

其实细想下来，为了解决“不能处理没见过的图像类型”，采用的是和VAE类似的方法。

​​​​​​​